本發(fā)明涉及無人機遙感圖像處理，具體涉及一種無人機遙感圖像分類方法、設備及介質(zhì)。

背景技術：

1、隨著遙感技術的不斷發(fā)展，無人機拍攝的遙感圖像憑借廣泛覆蓋、高效數(shù)據(jù)獲取、多光譜信息和高分辨率的優(yōu)勢，能夠在不受天氣影響的情況下提供實時監(jiān)測，并支持歷史數(shù)據(jù)的對比分析，適用于土地覆蓋、環(huán)境監(jiān)測等多個領域。然而，由于遙感數(shù)據(jù)的多源異構性以及不同領域間數(shù)據(jù)分布的差異，遙感圖像分類面臨嚴峻挑戰(zhàn)。

2、傳統(tǒng)的遙感圖像分類方法依賴于低級視覺特征，例如紋理、顏色、空間和光譜信息，或它們的組合。這些方法只能提取圖像的淺層特征，難以獲取更深層次的信息。隨著計算能力的提升和大規(guī)模數(shù)據(jù)集的積累，深度學習技術在圖像分類領域表現(xiàn)出了強大的能力。卷積神經(jīng)網(wǎng)絡等深度學習模型能夠自動學習圖像中的多層次特征，無需依賴于手工設計的特征提取過程。

3、現(xiàn)有深度學習方法的缺點包括：

4、1）由于圖像不同區(qū)域的可遷移性差異，訓練過程中可能會出現(xiàn)負遷移問題。

5、2）現(xiàn)有的基于深度卷積神經(jīng)網(wǎng)絡的方法一般都假設訓練樣本和測試樣本遵循獨立同分布，但在實際應用中，訓練數(shù)據(jù)和測試數(shù)據(jù)可能來自不同的數(shù)據(jù)集，從而導致分布差異問題。

6、綜上所述，急需一種無人機遙感圖像分類方法、設備及介質(zhì)解決現(xiàn)有技術中的問題。

技術實現(xiàn)思路

1、本發(fā)明目的在于提供一種無人機遙感圖像分類方法、設備及介質(zhì)，具體技術方案如下：

2、一種無人機遙感圖像分類方法，包括如下步驟：

3、s1：模型構建，構建訓練模型，所述訓練模型包括基礎模塊、卷積注意力機制模塊、自適應模塊和最大分類器差異結構；

4、s2：模型訓練，采用遷移學習訓練所述訓練模型；

5、s3：采用所述無人機遙感圖像分類模型進行無人機遙感圖像分類。

6、優(yōu)選的，在s1中，所述基礎模塊的獲取方式如下：將預訓練后的resnet50模型去掉全局池化和分類器，得到基礎模塊。

7、優(yōu)選的，在s1中，所述卷積注意力機制模塊包括順序設置的空間注意力和通道注意力。

8、優(yōu)選的，在s1中，所述自適應模塊包括多核最大均值差異，用于衡量遷移學習中源域數(shù)據(jù)集和目標域數(shù)據(jù)集之間的差異。

9、優(yōu)選的，在s1中，所述最大分類器差異結構包括分類器層和域鑒別層；

10、所述分類器層用于對源域數(shù)據(jù)集中帶有標簽的遙感圖像數(shù)據(jù)進行分類，訓練損失采用差異損失；

11、所述域鑒別器用于對齊源域數(shù)據(jù)集和目標域數(shù)據(jù)集的邊緣分布，訓練損失采用域鑒別損失。

12、優(yōu)選的，在s2中，設置初始的訓練參數(shù)，基于損失調(diào)整訓練參數(shù)，采用測試集數(shù)據(jù)訓練得到無人機遙感圖像分類模型。

13、優(yōu)選的，在s2中，訓練過程的總損失如下：

14、；

15、；

16、；

17、；

18、其中，表示差異損失，和分別表示源域數(shù)據(jù)集和目標域數(shù)據(jù)集，和分別表示和對于類別的概率輸出，表示類別的總數(shù)量；表示域鑒別損失，表示域辨別器，表示特征提取器，表示交叉熵損失函數(shù)，和分別表示源域類別和目標域類別，表示源域樣本集合，表示目標域樣本集合，表示樣本的域標簽；表示自適應損失，表示可學習的超參數(shù)，表示最大均值差異。

19、另外，本發(fā)明還公開了一種計算機設備，包括存儲器和處理器；

20、所述存儲器用于存儲可在處理器上運行的計算機程序；

21、所述處理器用于執(zhí)行所述計算機程序時實現(xiàn)如上述的無人機遙感圖像分類方法的步驟。

22、另外，本發(fā)明還公開了一種計算機可讀存儲介質(zhì)，所述計算機可讀存儲介質(zhì)上存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)如上述的無人機遙感圖像分類方法的步驟。

23、應用本發(fā)明的技術方案，具有以下有益效果：

24、本發(fā)明公開了一種無人機遙感圖像分類方法，從混合注意力機制和域自適應兩個角度出發(fā)，在現(xiàn)有的深度學習和遷移學習技術基礎上對目前面臨的問題進行針對性地改進。本發(fā)明方法解決了遷移性低的區(qū)域在訓練過程中引發(fā)的負遷移問題以及源域與目標域類別空間分布差異等問題。本發(fā)明采用混合注意力機制的對抗方法，使網(wǎng)絡能夠自動學習到在遷移的過程中需要注意哪些部分，改進負遷移問題。進一步地，本發(fā)明在模型中加入自適應模塊，利用多核最大均值差異衡量源域與目標域數(shù)據(jù)的距離，以解決跨域分布差異的問題。

25、除了上面所描述的目的、特征和優(yōu)點之外，本發(fā)明還有其它的目的、特征和優(yōu)點。下面將參照圖，對本發(fā)明作進一步詳細的說明。

技術特征：

1.一種無人機遙感圖像分類方法，其特征在于，包括如下步驟：

2.根據(jù)權利要求1所述的無人機遙感圖像分類方法，其特征在于，在s1中，所述基礎模塊的獲取方式如下：將預訓練后的resnet50模型去掉全局池化和分類器，得到基礎模塊。

3.根據(jù)權利要求2所述的無人機遙感圖像分類方法，其特征在于，在s1中，所述卷積注意力機制模塊包括順序設置的空間注意力和通道注意力。

4.根據(jù)權利要求3所述的無人機遙感圖像分類方法，其特征在于，在s1中，所述自適應模塊包括多核最大均值差異，用于衡量遷移學習中源域數(shù)據(jù)集和目標域數(shù)據(jù)集之間的差異。

5.根據(jù)權利要求4所述的無人機遙感圖像分類方法，其特征在于，在s1中，所述最大分類器差異結構包括分類器層和域鑒別層；

6.根據(jù)權利要求5所述的無人機遙感圖像分類方法，其特征在于，在s2中，設置初始的訓練參數(shù)，基于損失調(diào)整訓練參數(shù)，采用測試集數(shù)據(jù)訓練得到無人機遙感圖像分類模型。

7.根據(jù)權利要求6所述的無人機遙感圖像分類方法，其特征在于，在s2中，訓練過程的總損失如下：

8.一種計算機設備，其特征在于，包括存儲器和處理器；

9.一種計算機可讀存儲介質(zhì)，其特征在于，所述計算機可讀存儲介質(zhì)上存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)如權利要求1至7中任一項所述的無人機遙感圖像分類方法的步驟。

技術總結
本發(fā)明屬于無人機遙感圖像處理技術領域，尤其涉及一種無人機遙感圖像分類方法、設備及介質(zhì)，包括如下步驟：S1：模型構建，構建訓練模型，所述訓練模型包括基礎模塊、卷積注意力機制模塊、自適應模塊和最大分類器差異結構；S2：模型訓練，采用遷移學習訓練所述訓練模型，得到無人機遙感圖像分類模型；S3：采用所述無人機遙感圖像分類模型進行無人機遙感圖像分類。本發(fā)明在模型加入自適應模塊，利用多核最大均值差異衡量源域與目標域數(shù)據(jù)的距離，以解決跨域分布差異的問題。

技術研發(fā)人員：吳迪,肖衍,劉忠正,譚凱文,萬琴,沈?qū)W軍,李婷,劉海橋,肖岳平,段小剛
受保護的技術使用者：湖南工程學院
技術研發(fā)日：
技術公布日：2025/1/9